Introduction

Définition du Machine Learning (ML) :

• La capacité d’un ordinateur sans qu’ils soient explicitement programmés
• Plus précisément, c’est l’amélioration d’une mesure de performance P sur une tâche T grâce à des expériences E (ce sont ces expériences données à l’ordinateur qui améliore P)

Quelle est l’utilité du ML ?

Il est particulièrement efficace sur des problèmes complexes, avec beaucoup de données (sur lesquels les approches traditionnelles ne suffisent pas). De plus, le ML peut s’adapter à des environnements fluctuants qui nécessitent des ajustements au cours du temps.

Classification des systèmes de ML

Les systèmes d’apprentissages automatiques peuvent être distingué selon différentes caractéristiques qui peuvent se combiner entre elles :

• Mode de supervision (supervisé, non supervisé, semi-supervisé…)
• Apprentissage unique ou progressif avec l’obtention de nouvelles données (apprentissage groupé ou en ligne)
• Observations / modèle : le compare-t-il de nouvelles données avec certaines connues ou construit-il un modèle prédictif avec ces données connues ?

Supervision de l’apprentissage

Apprentissage supervisé

Dans ce cas, les données d’entraînement comportent les solutions désirées, nommées étiquettes (labels).

Exemples : détection de spams, prédiction de valeurs par régression à partir d’un ensemble d’attributs en entrée (prix d’une voiture)

Apprentissage non supervisé

Les données ne sont pas étiquetées (aucune indication pour le programme).

Exemples : partitionnement (clustering), visualisation ou réduction de dimension, détection d’anomalies ou de nouveautés

L’apprentissage par association de règles est également non supervisé. Il consiste à explorer de larges ensembles de données pour chercher des relations entre les variables.

Apprentissage semi-supervisé

Beaucoup plus fréquent, car généralement la proportion de d’observations étiquetées est faible (pour des raisons de coûts).